基于疫情防控下人臉識別在宿舍管理系統中的應用

韋大歡

（北海職業學院，北海 536000）

0 引言

2020年，新冠肺炎席卷全世界，給人類生產和生活帶來了深遠的影響，隨著疫情進一步好轉，疫情防控工作正逐步進入常態化。高校在校生規模不斷擴大，給疫情防控工作常態化下的學生管理工作帶來了新的挑戰。宿舍是高校學生“三點一線”（教室、食堂、宿舍）的重要活動場所之一，目前大多數高校依然采用傳統人工方式對學生宿舍進行管理，這種管理方式效率較低、工作耗時長、準確度不高，不能自動統計匯總宿舍管理數據。另外，人臉識別是人工智能中的一項核心技術，由于具有自然性、非強制性、非接觸性、并發性等特點，使得人臉識別應用越來越廣泛，社會正逐步進入“刷臉”時代。人臉識別與指紋辨別、聲音辨別等技術相比具有較強的安全性、穩定性及直接性，并且跟學校的疫情防控工作要求相契合，因此，研究在疫情常態化背景下將人臉識別應用于宿舍管理系統，可以使學生在學校中的人身安全與財產安全等得到更加有效的保障。

1 人臉識別相關概述

1.1 人臉識別原理

人臉識別作為一種非常方便、安全的身份認證方法，其工作原理主要是采集人臉數據，同時將其當作基本信息存儲于數據庫當中。接著使用攝像頭數字化圖像處理采集到的人臉信息，將處理好的人臉信息與數據庫中的人臉進行匹配，詳細原理如圖1所示。

圖1 人臉識別系統原理

從圖1中可以看出，人臉檢測是人臉識別過程中非常重要的輸入源，人臉特征值的獲取和人臉識別的算法均是人臉識別系統不可缺少的主要技術。當前，以Rowley為核心的主流人臉識別技術是處理分析眾多人臉與非人臉樣本的重要方法，經過訓練樣本能夠獲得預估值，同時當作人臉參照，這樣可以對人臉識別的結果進行斷定。

1.2 人臉識別在宿舍管理系統中的優勢

1.2.1 精準識別

精準識別主要分為精準檢測、精細限制及精準追蹤等幾個方面，其中精準檢測指的是通過運用神經網絡算法與深度學習算法進行檢測，識別率可以超過99.5%；精細限制能夠對識別范圍進行適當調整與限制，防止錯誤識別不相關人員；精準追蹤指的是追蹤被檢測區域檢測到的人臉，避免出現人臉重復。

1.2.2 安全可靠

安全可靠主要體現在活體檢測與防止尾隨等方面。活體檢測可以對二維圖像展開活體檢測，通行測試手機圖片、視頻及紙質照片等，結果顯示不被識別，不能通行。與此同時，人臉具備唯一性，憑借這一特征能夠更好地避免其他人員冒充授權者的身份通過。防止尾隨是厘米級別的防止尾隨，與此同時，避免交匯性與反向性闖入，如果觸碰宿舍的速通門，其會及時聲光報警，同時進入學校安防系統。學校安防系統會展開地圖定位、視頻嚴格審查，同時擬定處理方案。唯有搜集過人臉特征信息的用戶，方可進入宿舍區域，這種做法可以提升安全性，規避不良隱患。

1.2.3 智能便捷

智能便捷主要體現在以下幾個方面：一是方便搜集信息，非接觸式，自動獲取人臉信息的非接觸式，同時可以反復使用；二是具有較強的免攜帶性，防止學生因忘帶“一卡通”而不能進入宿舍的情況，與此同時還處理了“一卡通”容易丟失、損壞及仿冒的問題；三是提升管理人員的效率，減輕了宿管員和輔導員的工作任務，實現了師生進出宿舍、晚歸登記等自動管理的目的。

2 人臉識別基本問題和基本算法

2.1 圖像光照補償

人臉識別作為一種非常方便、安全的身份認證方法，其工作原理主要是采集人臉數據，同時將其當作基本信息存儲于數據庫當中。接著使用攝像頭數字化圖像處理采集到的人臉信息，將處理好的人臉信息與數據庫中的人臉進行匹配，詳細原理如圖1所示。

由于光照不均衡或者是光線照射強度比較低，會導致圖像出現各種各樣的問題，如：圖像偏暗、亮度不均勻等，從而為圖像后期的處理造成不必要的麻煩。圖像光照補償技術可從根本上解決些問題，圖像光照補償是從頻域方面進行非線性或者是線性的改變，通過對人臉識別系統進行綜合考量，其時常需要在光線照射強度較低或者是太高的環境中運行。為了防止圖像中出現丟失細節的情況，需要在獲取特征以前采用適當的光照補償圖像，方便清晰的展示圖像信息，與此同時，還有利于獲取圖像中的人臉特征，讓圖像實現良好的視覺效果，在一定程度上可以明顯提升人臉識別的成功概率。

2.2 人臉識別主要算法

人臉識別系統經常使用幾何特征識別和模板匹配進行人臉識別這兩種方法。對于幾何特征識別方法，眾人皆知，人的面部主要是由鼻子、眼睛、嘴巴及下巴等組成，在獲取人臉圖像時，主要是搜集人臉中的這些特征。由于每個人從面部組成方面的結構、形狀及大小等存在較大的差異，因此需要利用幾何對這些臉部構件之間存在的結構關系進行描述，這樣可以把描述內容作為人臉識別的主要根據。依據人臉構建所在的相對位置、歐式距離、角度和曲率等，可以把這些信息作為人臉識別的特征根據。經過比較圖像與實際人臉，可以實現人臉識別的效果。這種方法具備較強的直觀性，容易理解，但是因為外部光照環境與面部表情等因素產生的不利影響，其特征點具有較差的穩定性。

針對幾何人臉識別方法而言，盡管這種方法非常簡單，同時具備非常快的計算方法，但是當獲取的結果存在差異時，則不能得到良好的識別效果，同時光照的因素依然是數據特點中獲取的主要影響因素。在將模板匹配作為中心的人臉識別算法當中，首先需要采集人臉圖像，接著展開預處理后，通過人臉模板的方式儲存在系統當中，計算待測圖像與人臉模板的相關性，接著按照計算結果明確劃分人臉種類。針對不同模板的匹配而言，需要展開大量模板精度計算與圖像灰度計算，將可變模型作為標準的人臉特征提取方法可以使用彈性模板提取人臉當中的眼睛、嘴巴等，但是光照環境差異和人臉姿態等依然會對通用模板方法的評價結果產生直接影響，經過使用可變行模板識別人臉，在完善所定義的能量函數時，依然具有較強的復雜性。

3 人臉識別模塊設計

人臉識別首要工作是采集圖像，接著是對人臉進行檢測，預處理人臉圖像，獲取人臉特征，匹配獲取的特征值和人臉庫。圖2為人臉識別的基本流程圖。

圖2 人臉識別的基本流程

3.1 面部檢測

圖像采集使用攝像頭識別人臉，這一做法的基本條件是搜集到人臉，在多種顏色的背景中過濾其他圖像，有效分離需要的人臉，換言之是精準判斷圖像中是否存在人臉。第一步通過攝像頭搜集人臉信息，使用非常經典的檢測算法，即Harr+AdaBoost，根據人臉膚色等特點定位人臉區域，同時清除其他干擾性的背景元素。假如同時出現多個人臉被定位，就需要多出一個空間存儲人臉，接著提煉人臉圖像中包括的結構信息、顏色信息等特點，改變為數據應用于后期人臉識別中，人臉識別操作的基本原理是比較人臉特征。這種檢測方法具有較強的檢測率，同時從光線、角度及膚色等方面具有較強的人臉檢測魯棒性。

3.2 圖像預處理

攝像頭搜集照片難免會受到各種干擾因素產生的影響，如光照、背景及姿態等，具體采集的圖像不能直接在人臉識別中得到廣泛應用，與此同時人臉具有相應的斜角度，往往不會和攝像機保持水平狀態。鑒于以上因素，從某種程度上可以對人臉識別的精準度產生直接影響，這就需要預處理圖像，把圖像中比較重要、有價值的信息進行充分展現，清除無用的信息，進而可以使識別的精準率得到全面提升。圖像預處理不會使原來圖像的特點出現明顯改變，圖像預處理的結果可以對人臉識別的最后結果產生直接影響。

3.3 提取特征

人臉特征提取過程主要是依據開源的68D人臉核心點檢測器對人臉面部的關鍵點進行定位，利用卷積神經網絡CNN圖像模型中的深度殘差網絡ResNet人臉識別模型可以提煉人臉面部特點。

3.4 人臉識別

采集完人臉信息之后，開始連續識別，并且還需要獲取畫面中人臉的特征點，和數據庫中的人臉特征進行比較。憑借計算特征值之間的歐氏距離可以斷定人臉差異的大小，從而可以判斷是否是數據庫中已經存儲的人臉。人臉識別模塊會不斷識別進入攝像頭的人臉，如果識別到人臉，會自動獲取這個人臉特征點，經過灰度化和歸一化處理，比對存儲于數據庫中的人臉特征，從而達到門禁的目的。為了確保學生有足夠的時間通過宿舍門禁閘機，如果識別成功，程序會打開閘機并停止這個模塊三秒鐘，然后關閉閘機等待。

4 系統測試

4.1 人臉檢測

人臉檢測主要是處理某張圖像過程中，利用恰當的搜索算法，斷定圖像中是否出現人臉，如果真有這個人臉，可以把人臉的方位、大小和表情等信息當作返回值進行傳輸。

4.1.1 人臉檢測的速度

人臉檢測過程中消耗的時間可以當作評價檢測能力好壞的主要標準。在解決眾多照片時，人臉檢測使用的時間越少，代表著處理器承受的負荷越小，同時表示可以減少項目成本；另外從移動端用戶方面來看，減少人臉檢測時間，可以提高產品的效率，提升用戶的滿意度，因此通過在學生宿舍管理系統中應用這種技術，可以減少檢測時間，目前在移動端與PC端都可以展開動態檢測。

4.1.2 人臉檢測的環境

人臉識別系統能夠在各種各樣不同條件環境中支持人臉檢測，與此同時還可以對正面與側面等不同角度的臉部位置進行實時檢測。

4.1.3 人臉檢測的效果

宿舍管理系統使用的人臉檢測技術從社交平臺上能夠將照片圖像的檢測率提升為79%以上，同時精準率與召回率提高為70%左右。

4.2 人臉識別

人臉識別技術則是利用算法對比很多張人臉圖片的相似程度，通過這樣可以斷定這些圖片是否來自于同一個人，這種技術是人臉識別1∶1驗證。透過輸入一張人臉圖片，從系統存儲的人臉數據庫中找出和其相似的人臉當作備選圖片，這種技術是人臉識別1∶驗證搜索。該技術應用的人臉識別技術，可以在各種社交平臺中獲取很多實驗數據，累積解決上千張人臉圖片，符合中國人臉部特征的辨別。

4.2.1 1∶1人臉識別

宿舍管理系統當中的1∶1人臉識別與驗證技術可以應用于門禁控制和身份證驗證等各個方面，這是一套非常完善、具備安全性與實時性的人臉辨別系統。該系統的人臉識別技術經過全面分析對比度、紋理和語言等特征，可以提升精準率與安全性。

4.2.2 1∶人臉識別

宿舍管理系統的1∶人臉識別技術在考勤、門禁、準入及簽到等場合得到廣泛使用，通過錄入與檢索不同臉部特征，可以快速實現人臉檢索的效果。該技術能夠處理具體場景中存在的問題，如：表情、人臉光照、姿態及角度等方面的改變，利用很多實際使用中的實驗數據與結果，獲得的人臉模型具有較高的價值。

4.2.3 準確率較高

人臉識別技術應用于宿舍管理系統后，其精準率可以高達79%，實現了理想的實驗效果。

4.3 系統測試結果

學生宿舍管理系統通過上述測試流程后，各種功能均與系統設計的預期目標相吻合。然而，這個系統是否可以經過大數據的考驗，還需要在具體操作中得以驗證。因為在某個時間段的學生流量非常大，數據搜集較為復雜，數據處理壓力大，在這種情況下，對系統的軟件、硬件等帶來嚴峻考驗。通過逐步檢測和改正，可以不斷提升系統的平穩性與安全性。

表1和表2均是本文研究過程中對軟件測試的狀況。測試時間是16 h，一共展開了400條測試用例，測試出20個bug，bug率不高于8%，由此可以看出其軟件質量較好。經過測試的問題，能夠得知在用戶操作非常復雜和用戶流量比較大時，系統會出現各種各樣的問題，這是未來需要完善的地方。如果多臺設備同時搜集數據期間，服務器存儲與分析數據時，會致使系統崩潰，如此一來不能為用戶帶來良好的使用體驗，經過不斷優化人臉識別的算法加以完善。

表1 測試問題一覽表

表2 測試狀況

這次測試的實施狀況可以從表2中看出。這次測試一共使用了400條測試用例，測試時間為5 h，一共出現20條bug，由此而可以看出，系統基本上可以符合上線的基本要求，bug占比為5%，與最低bug率相符。

5 結語

在疫情防控常態化下，通過基于人臉識別的宿舍管理系統的應用，提高了學生宿舍管理的工作效率，降低了宿管員和輔導員的工作強度，在一定程度上解決了高校在學生宿舍管理方面的各種難題，而且能及時對采集到的學生數據進行分析，對于高校的學生安全管理具有重要的意義。人臉識別技術在學生宿舍管理中雖然展現出獨到的優點，但是當前依然存在很多的問題，因此這些需要我們在今后研究中不斷進行研究與完善。